Bereiche, auf die sich CIOs konzentrieren sollten, um die Dynamik von GenAI aufrechtzuerhalten

GenAI bleibt für die meisten Unternehmen der wichtigste „Investitionsschwerpunkt“ und die „Erwartungen“ sind hoch. Laut der neuesten PwC-Umfrage erwarten 61 % der CEOs in den Vereinigten Staaten, dass KI die Art und Weise verändern wird, wie ihr Unternehmen Wert generiert. Um dieses Ziel zu erreichen, müssen Unternehmen den KI-Hype jedoch in die Realität umsetzen. Die gute Nachricht ist, dass sie darin immer besser werden. Laut den Ergebnissen des kürzlich von Databricks veröffentlichten State of Data + AI Report haben Unternehmen tatsächlich 1.342 % ihrer Modelle aus dem experimentellen Stadium in die reale Welt gebracht, und ihre Ambitionen in Bezug auf Daten und KI haben nicht nachgelassen, und die Zahl der Experimentelle Modelle verzeichneten ebenfalls einen Anstieg von 134 %. Dies sind ermutigende Anzeichen, aber meine Gespräche mit CIOs und anderen Technologieführern zeigen, dass die Herausforderung jetzt darin besteht, diese Dynamik aufrechtzuerhalten. Unternehmen haben Schwierigkeiten, sich auf Erwartungen zu einigen. Natürlich möchten viele Führungskräfte eine sofortige Rendite ihrer Investition sehen, und Unternehmen denken nicht über langfristige Strategien nach, weil sie befürchten, dass Konkurrenten schnellere Fortschritte in der KI machen. Dieser Ansatz ist falsch. Unternehmen, die sich nur auf das „Jetzt“ konzentrieren, werden von einer Neuheit zur nächsten springen. Investitionen in GenAI sind ein langer Prozess und CIOs müssen die KI-Denkweise ihres Unternehmens von kurzfristigen Erfolgen auf langfristige Geschäftstransformation umstellen. Vor diesem Hintergrund sollten sich CIOs und andere Technologieführer bei der Bewältigung dieser Probleme auf drei Dinge konzentrieren Herausforderungen Schlüsselbereiche: 1. Verbesserung der Dateninfrastruktur Prioritäten und Schwerpunkte für KI entwickeln sich fast so schnell wie die Technologie selbst. Vor sechs Monaten waren beispielsweise nur wenige CIOs mit Retrieval Augmented Generation (RAG) vertraut. Mittlerweile ist die Schulung kommerzieller LLM auf der Grundlage privater Unternehmensdaten zur Erzielung einer besseren und individuelleren Leistung zu einem wichtigen Schwerpunkt geworden. Unseren anonymisierten Nutzungsdaten zufolge ist die Nutzung von Vektordatenbanken, die für die Erstellung von RAG-Modellen von entscheidender Bedeutung sind, im vergangenen Jahr um 377 % gestiegen. Einige Unternehmen, wie Databricks, beginnen sogar damit, einen „Agentenund-Tools“-Ansatz zu verwenden, um KI-Systemen bei der Lösung komplexerer Probleme zu helfen. Dies ist ein Beweis für die Geschwindigkeit der Entwicklung von GenAI und die schnelle Erweiterung seiner Fähigkeiten, aber die Datenmigration bleibt eine Herausforderung. Um beispielsweise ein erfolgreiches RAG-System aufzubauen, müssen die für die Schulung benötigten Daten leicht verfügbar sein und dürfen nicht in Silos im gesamten Unternehmen gefangen sein. Sowohl strukturierte als auch unstrukturierte Daten müssen zusammenkommen, um sicherzustellen, dass das Modell die individuellen Antworten liefern kann, die Benutzer erwarten. Dies ist jedoch heute nur noch eine Herausforderung. Unternehmen benötigen einen Rahmen, der sich an die Bedürfnisse und technologischen Veränderungen anpassen lässt. Führungskräfte sollten sich die folgenden Fragen stellen: Welche Infrastruktur ermöglicht es uns, Daten effektiv zu verwalten, zu pflegen und daraus Erkenntnisse abzuleiten, unabhängig davon, wie sich die größere KI-Umgebung entwickelt? In welchen Arten oder Maßstäben von Modellen möchten wir die Anwendungen nutzen? Muss unsere Datenumgebung verbessert oder geändert werden, damit sie gut mit diesen Modellen funktioniert? 2. Navigieren Sie durch das Basismodell. Für die meisten Unternehmen ist ein allgemeines LLM ein guter Ausgangspunkt. Wir sehen auch weiterhin einen Anstieg der Nutzung der Plattform. Doch je mehr Unternehmen diese Grundmodelle nutzen, desto mehr entdecken sie ihre Grenzen. Aus diesem Grund setzen viele Unternehmen jetzt auf Techniken wie RAG und Feinabstimmung, um die Leistung ihrer Modelle zu verbessern und letztendlich ihre Betriebskosten zu senken. Während Unternehmen dies mit proprietären Modellen tun, entscheiden sie sich zunehmend für offene Systeme. Tatsächlich machte Llama3 nur wenige Wochen nach der Veröffentlichung 39 % der gesamten Nutzung von Open-Source-Modellen aus, wie aus unserem Bericht hervorgeht. Mit zunehmender Verbreitung dieser Technologien müssen Unternehmen lernen, wann sie welche Technologie einsetzen müssen. Beispielsweise entscheiden sich Unternehmen möglicherweise dafür, ihre eigenen Modelle von Grund auf zu erstellen, wenn es möglicherweise kostengünstiger ist, eigene Modelle zu erstellen, anstatt nur ein Basismodell zu verfeinern, oder sie haben es möglicherweise mit ständig aktualisierten Informationssätzen zu tun. In diesem Fall ist RAG die bessere Wahl, da das Unternehmen schnell neue Daten in das Modell einspeisen kann. Wichtig ist, dass die Modelle immer besser werden. Es ist wichtig, zukünftige Trends im Auge zu behalten. 3. Geben Sie der Genauigkeit bei der KI-Entwicklung und -Nutzung Priorität. KI verändert Arbeitsabläufe und verändert die Art und Weise, wie Unternehmen mit Daten umgehen. Viele Unternehmen befinden sich jedoch noch in der Test- und Experimentierphase, da viele Modelle derzeit nicht so gut funktionieren, wie sie sollten. als genau oder zuverlässig. Einige Unternehmen sehen bereits die Konsequenzen: Der Chatbot einer Fluggesellschaft bietet eine Rückerstattung an, die nicht den offiziellen Richtlinien des Unternehmens entspricht, ein Gerichtsurteil stellt sich auf die Seite eines Kunden oder der Chatbot eines Autohauses bietet einem Kunden ein Auto für einen Dollar an. Wenn diese Ausfälle in großem Umfang oder in Hochrisikoszenarien auftreten, werden Unternehmen darunter leiden, weshalb es von entscheidender Bedeutung ist, die Menschen auf dem Laufenden zu halten, insbesondere bei Anwendungen, die eine hohe Genauigkeit erfordern. Auch wenn sich die Modelle verbessern, hängt die Qualität der Ergebnisse von den sie unterstützenden Daten ab. Eine starke Datenhygiene und -überwachung sind der Schlüssel, um sicherzustellen, dass Unternehmen KI-gesteuerten Erfolg erzielen. Durch die Sicherstellung, dass Daten verwaltet, zugänglich und gut strukturiert sind, können Unternehmen in Zukunft konsistentere und zuverlässigere Ergebnisse erzielen.KI wird in zunehmendem Maße in der Lage sein, die menschlichen Fähigkeiten an Arbeitsplätzen wie dem Gesundheitswesen, der Fertigung, der Unternehmenstechnologie und mehr zu verbessern. Aus diesem Grund müssen sich Unternehmen auf die Aufrechterhaltung einer starken Dateninfrastruktur und -praktiken konzentrieren und KI-Anwendungen priorisieren, die mit ihren umfassenderen Geschäftsstrategien übereinstimmen Aufbau einer KI-fähigen Belegschaft, die auf diese Ära des Wandels vorbereitet ist.

Das obige ist der detaillierte Inhalt vonBereiche, auf die sich CIOs konzentrieren sollten, um die Dynamik von GenAI aufrechtzuerhalten. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!